基于知识图谱的推理方法、装置及计算机可读存储介质

摘要

本申请提供了一种基于知识图谱的推理方法、装置及计算机可读存储介质，其中该方法包括：在知识图谱中搜索第一连通子图对应的第二连通子图，其中，任一第二连通子图与其对应的第一连通子图二者中，分别有一个节点不属于二者节点的交集、且第二连通子图比对应的第一连通子图少一条潜在边，如所述第二连通子图增加所述潜在边则与对应的第一连通子图是同构的；将所述潜在边作为预测边，或者，根据所述潜在边的统计信息从所述潜在边中筛选出预测边。该方法的泛用性强、可解释性强、算法简单、代码开发成本低。

说明书

技术领域

本申请属于人工智能技术领域，具体涉及基于知识图谱的推理方法、装置及计算机可读存储介质。

背景技术

本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认其为现有技术。

对知识图谱进行补全，也就是基于知识图谱中的已有信息推测知识图谱中没有关联的两个节点之间是否存在关联。

知识图谱中通常会形成连通子图。现有技术多基于知识图谱中相同类型的节点所构成的连通子图(也称同构网络)进行补全。知识图谱中不同类型的节点所构成的连通子图也称异构网络。基于异构网络对知识图谱进行补全的研究则多集中于特定场景的异构网络，不具备泛用性。

发明内容

针对上述现有技术的问题，本申请实施例提出了一种基于知识图谱的推理方法、装置及计算机可读存储介质。利用这种推理方法及装置，能够至少部分解决上述问题。

本申请的实施例中提供了以下方案：一种基于知识图谱的推理方法，包括：

在知识图谱中搜索第一连通子图对应的第二连通子图，其中，任一第二连通子图与其对应的第一连通子图二者中，分别有一个节点不属于二者节点的交集、且第二连通子图比对应的第一连通子图少一条潜在边，如所述第二连通子图增加所述潜在边则与对应的第一连通子图是同构的；

将所述潜在边作为预测边，或者，根据所述潜在边的统计信息从所述潜在边中筛选出预测边。

在一些实施例中，根据所述潜在边的统计信息从所述潜在边中筛选出预测边，包括：

对同一第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

在一些实施例中，根据计数结果筛选预测边，包括：

将重复出现次数大于第一设定阈值的潜在边作为预测边。

在一些实施例中，还包括：从所述知识图谱筛选第一连通子图，其中，筛选出的第一连通子图至少具有一种网络模式，同一网络模式的各第一连通子图彼此是同构的。

在一些实施例中，从所述知识图谱筛选第一连通子图，包括：

确定网络模式；

按照确定出的网络模式从所述知识图谱中筛选第一连通子图。

在一些实施例中，所述第一连通子图的网络模式是随机生成的或预设的。

在一些实施例中，从所述知识图谱筛选第一连通子图，包括：

从所述知识图谱的节点集合中确定出第一节点子集；

剔除包含所述第一节点子集的补集中节点的第一连通子图。

在一些实施例中，根据所述潜在边的统计信息从所述潜在边中筛选出预测边，包括：

对同一网络模式的全部第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

在一些实施例中，根据计数结果筛选预测边包括：

将重复出现次数大于第二设定阈值的潜在边作为预测边。

在一些实施例中，所述网络模式的模式种类为多种，根据所述潜在边的统计信息从所述潜在边中筛选预测边，包括：

对全部网络模式的全部第一连通子图对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

在一些实施例中，根据计数结果筛选预测边包括：

将重复出现次数大于第三设定阈值的潜在边作为预测边。

在一些实施例中，所述知识图谱中的节点均为相同类型的节点。

在一些实施例中，所述第一连通子图中任意两个节点之间均有一条边。

在一些实施例中，所述第一连通子图包括多种类型的节点。

在一些实施例中，所述第一连通子图中的节点呈环状。

在一些实施例中，所述第一连通子图包括环和支链。

本申请的实施例中提供了以下方案：一种基于知识图谱的推理装置，包括：

子图搜索模块，用于在知识图谱中搜索第一连通子图对应的第二连通子图，其中，任一第二连通子图与其对应的第一连通子图二者中，分别有一个节点不属于二者节点的交集、且第二连通子图比对应的第一连通子图少一条潜在边，如所述第二连通子图增加所述潜在边则与对应的第一连通子图是同构的；

预测边筛选模块，用于将所述潜在边作为预测边，或者，根据所述潜在边的统计信息从所述潜在边中筛选预测边。

在一些实施例中，所述预测边筛选模块具体用于：

对同一第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

在一些实施例中，所述预测边筛选模块具体用于：将重复出现次数大于第一设定阈值的潜在边作为预测边。

在一些实施例中，还包括搜索范围确定模块，用于：从所述知识图谱筛选第一连通子图，其中，筛选出的第一连通子图至少具有一种网络模式，同一网络模式的各第一连通子图彼此是同构的。

在一些实施例中，所述搜索范围确定模块具体用于：确定网络模式；

按照确定出的络模式从所述知识图谱中筛选第一连通子图。

在一些实施例中，所述第一连通子图的网络模式是随机生成的或预设的。

在一些实施例中，所述搜索范围确定模块还具体用于：

从所述知识图谱的节点集合中确定出第一节点子集；

剔除包含所述第一节点子集的补集中节点的第一连通子图。

在一些实施例中，所述预测边筛选模块具体用于：对同一网络模式的全部第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

在一些实施例中，根据计数结果筛选预测边包括：将重复出现次数大于第二设定阈值的潜在边作为预测边。

在一些实施例中，所述网络模式的模式种类为多种，所述预测边筛选模块具体用于：

对全部网络模式的全部第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

在一些实施例中，根据计数结果筛选预测边包括：将重复出现次数大于第三设定阈值的潜在边作为预测边。

在一些实施例中，所述知识图谱中的节点均为相同类型的节点。

在一些实施例中，所述第一连通子图中任意两个节点之间均有一条边。

在一些实施例中，所述第一连通子图包括多种类型的节点。

在一些实施例中，所述第一连通子图中的节点呈环状。

在一些实施例中，所述第一连通子图包括环和支链。

本申请的实施例中提供了以下方案：一种基于知识图谱的推理装置，包括：

至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行：前述的推理方法。

本申请的实施例中提供了以下方案：一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，使得所述处理器执行：前述的推理方法。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果。

第二连通子图覆盖了两个未连接的节点，即说明第二连通子图与已有的第一连通子图的形状非常接近，这两个未连接的节点之间存在关联的概率较高。如第二连通子图多次覆盖了两个未连接的节点，也就是潜在边多次连接这两个节点，那么说明这两个节点之间存在关联的概率会更高。根据潜在边的统计信息从潜在边中筛选预测边，筛选过程具有较强的可解释性。

不论知识图谱是同构网络还是异构网络，也不论异构网络中节点的类型数量是多少，也不论知识图谱的场景是什么，本申请提供的推理方法均能高效地确定出预测边，泛用性强。

进一步，该推理方法的运行过程清晰且代码简单，无需进行特征提取、模型优化等复杂的运算步骤，代码开发工作量低。

应当理解，上述说明仅是本申请技术方案的概述，以便能够更清楚地了解本申请的技术手段，从而可依照说明书的内容予以实施。为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举例说明本申请的具体实施方式。

附图说明

通过阅读下文的示例性实施例的详细描述，本领域普通技术人员将明白本文所述的优点和益处以及其他优点和益处。附图仅用于示出示例性实施例的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的标号表示相同的部件。在附图中：

图1为根据本申请一实施例的基于知识图谱的推理方法的流程示意图；

图2a至图2c分别为根据本申请一实施例的推理方法中知识图谱、第一网络、第二网络的示例；

图3a至图3c分别为根据本申请一实施例的推理方法中知识图谱、第一网络、第二网络的示例；

图4a至图4c分别为根据本申请一实施例的推理方法中知识图谱、第一网络、第二网络的示例；

图5为根据本申请一实施例的基于知识图谱的推理装置的结构示意图；

图6为根据本申请另一实施例的基于知识图谱的推理装置的结构示意图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

在本申请中，应理解，诸如“包括”或“具有”等术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在的可能性。

另外还需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1为根据本申请一实施例的基于知识图谱的推理方法的流程示意图，该方法用于推测知识图谱中未连接的两个节点之间是否具有关联，在该流程中，从设备角度而言，执行主体可以是一个或者多个电子设备；从程序角度而言，执行主体相应地可以是搭载于这些电子设备上的程序。

图1中的流程可以包括以下步骤101～步骤102。

步骤101、在知识图谱中搜索第一连通子图对应的第二连通子图，其中，任一第二连通子图与其对应的第一连通子图二者中，分别有一个节点不属于二者节点的交集、且第二连通子图比对应的第一连通子图少一条潜在边，如所述第二连通子图增加所述潜在边则与对应的第一连通子图是同构的；

步骤102、根据所述潜在边的统计信息从所述潜在边中筛选出预测边。

同构图是图论中的术语，假设G＝(V,E)和G1＝(V1，E1)是两个图，如果存在一个双射m：V→V1，使得对所有的x,y∈V均有xy∈E等价于m(x)m(y)∈E1，则称G和G1是同构的。

第一连通子图和第二连通子图均是知识图谱中已有的连通子图，第一连通子图中节点之间的关联程度略大于第二连通子图中节点之间的关联程度。

由于第二连通子图增加对应的潜在边之后其与对应的第一连通子图是同构的，即二者具有相同的网络模式，潜在边所连接的两个节点之间存在一定的概率具有关联。

如潜在边多次连接相同的两个节点，则表明这两个节点之间存在关联的概率进一步升高。故可基于潜在边的统计信息从潜在边中筛选出预测边。

如需对知识图谱进行补全，则可以在知识图谱中增加筛选出的预测边。

第二连通子图覆盖了两个未连接的节点，即说明第二连通子图与已有的第一连通子图的形状非常接近，这两个未连接的节点之间存在关联的概率较高。如第二连通子图多次覆盖了两个未连接的节点，也就是潜在边多次连接这两个节点，那么说明这两个节点之间存在关联的概率会更高。根据潜在边的统计信息从潜在边中筛选预测边，筛选过程具有较强的可解释性。

不论知识图谱是同构网络还是异构网络，也不论异构网络中节点的类型数量是多少，也不论知识图谱的场景是什么，本申请提供的推理方法均能高效地确定出预测边，泛用性强。

进一步，该推理方法的运行过程清晰且代码简单，无需进行特征提取、模型优化等复杂的运算步骤，代码开发工作量低。

基于图1的推理方法，本申请的一些实施例还提供了该推理方法的一些具体实施方案，以及扩展方案，下面进行说明。

在一些实施例中，根据所述潜在边的统计信息从所述潜在边中筛选出预测边，包括：对同一第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

即对潜在边进行统计的范围局限在同一第一连通子图所对应的第二连通子图的潜在边。

在一些实施例中，将重复出现次数大于第一设定阈值的潜在边作为预测边。

第一设定阈值越大，则预测边的筛选越严苛，筛选出的预测边越少，但相应地，准确率越高。第一设定阈值越小，则预测边的筛选越松，筛选出的预测边越多，但相应地，准确率越低。

极限情况下，第一设定阈值可以为0。

例如参考图2b所示的第一连通子图是图2a所示的知识图谱中的一个第一连通子图，其对应的各第二连通子图参见图2c。图2c中的虚线表示潜在边。

节点A1、A2例如代表商家，节点B1至B4例如代表商品，节点C1、C2和C3例如代表用户。该知识图谱是表示购买关系的一个知识图谱。

对这些潜在边进行计数后，发现B2-C2出现了2次，B1-C3出现了一次，A2-B1出现了一次，A1-B4出现了一次。例如第一设定阈值为1，B2-C2重复出现的次数大于1，则可将B2-C2判断为预测边。根据该第一连通子图可以推断出用户C2购买产品B2的概率较大，可向用户C2推荐商品B2。

从业务角度来看，用户C2在商家A1购买过两种商品B1和B3，那么用户C2在商户A1购买商品B2的概率是足够高的。可以向用户C2推荐商品B2。

步骤101中，第一连通子图可以是确定的一个第一连通子图，其数量也可以是多个。

在一些实施例中，该方法还可以包括步骤100、从所述知识图谱筛选第一连通子图，其中，筛选出的第一连通子图至少具有一种网络模式，同一网络模式的各第一连通子图彼此是同构的。

在一些实施例中，从所述知识图谱筛选第一连通子图，包括：

确定网络模式；

按照确定出的网络模式从所述知识图谱中筛选第一连通子图。

网络模式定义了第一连通子图中节点的类型、数量以及彼此之间的连接关系。同一网络模式的第一连通子图具有相同的形状。

即第一连通子图是根据网络模式从知识图谱中筛选出的。网络模式可以是一种，也可以是多种。

在一些实施例中，所述第一连通子图的网络模式是随机生成的或预设的。

在一些实施例中，从所述知识图谱筛选第一连通子图，包括：

从所述知识图谱的节点集合中确定出第一节点子集；

剔除包含所述第一节点子集的补集中节点的第一连通子图。

即仅在知识图谱的局部区域搜索潜在边。增加了潜在边搜索的针对性。

在一些实施例中，根据所述潜在边的统计信息从所述潜在边中筛选出预测边，包括：

对同一网络模式的全部第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

如此，扩大了对重复出现次数进行比较的潜在边所在区域的区域范围，降低预测边筛选的偶然性。

具体地，根据计数结果筛选预测边包括：将重复出现次数大于第二设定阈值的潜在边作为预测边。

当然，也可是对潜在边对应的第一连通子图的数量进行技术，如一个潜在边对应较多个第一连通子图，那么它被判断为预测边的概率会相应更大。

在一些实施例中，所述网络模式的模式种类为多种，根据所述潜在边的统计信息从所述潜在边中筛选预测边，包括：

对全部网络模式的全部第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

如此，进一步将潜在边重复次数进行统计和比较的范围进行扩大，从而进一步降低预测边筛选结果的偶然性。

例如，将重复出现次数大于第三设定阈值的潜在边作为预测边。

以上推理方法适用于同构网络。即，所述知识图谱中的节点均为相同类型的节点。

在一个例子中，所述第一连通子图中任意两个节点之间均有一条边。

参考图3a，该知识图谱中节点D1至D5例如均代表用户，节点与节点之间的连线表示好友关系。

参考图3b，第一连通子图具有4个节点，且任意两个节点之间均具有连线。

参考图3c，根据图3a所示的知识图谱以及根据图3b所示的第一连通子图可以确定出3个第二连通子图以及1个潜在边。1个潜在边为D4-D5且重复出现了3次。

如第二设定阈值为2,3大于2，则可推定节点D4和节点D5是好友。

在一些实施例中，所述第一连通子图包括多种类型的节点。即本申请提供的推理方法适用于异构网络。

在一些实施例中，所述第一连通子图中的节点呈环状。

例如图2b中的第一连通子图中，节点A1、B1、C2、B2、A1依次相连构成环状。

在一些实施例中，所述第一连通子图包括环和支链。

例如图4a示出的知识图谱中，节点E1和E2代表用户，节点F1至F3代表设备，节点G1至G3代表支付账户，节点H1和H2代表商户。该知识图谱表示的是交易信息网络。

图4b是从图4a中确定出的第一连通子图包括由节点E1、E2、G2、H1、G1构成的环，以及两个支链E1-F2和E2-F3。

图4c是根据图4a所示的知识图谱以及图4b所示的第一连通子图确定出的第二连通子图。

可以推断出节点G1和H2可能存在关联、节点G3和H1可能存在关联，但可能性并不高。

本申请的发明人分别在交易网络(节点种类包括用户、商户、银行卡和设备)、商户关联网络(节点种类包括企业、分支机构、高管、注册地)和推荐网络(节点类型包括用户、商户和产品)上进行测试。

首先在这些已知的知识图谱中随机剔除20％的边，把它们视为需要补全的边。将其余80％的边作为该方法所依据的知识图谱。

通过本方案提出的方法，在三种场景下的预测的AUC值分别达到91％，90％和95％。

而传统的基于同构网络的推理方法(例如随机游走算法)，仅能达到85％左右的AUC值。

本申请提出的推理方法是有效的。

基于相同的技术构思，本申请实施例还提供一种基于知识图谱的推理装置，用于执行上述任一实施例所提供的方法。图5为本申请实施例提供的一种基于知识图谱的推理装置结构示意图。

如图5所示，基于知识图谱的推理装置包括：

子图搜索模块2，用于在知识图谱中搜索第一连通子图对应的第二连通子图，其中，任一第二连通子图与其对应的第一连通子图二者中，分别有一个节点不属于二者节点的交集、且第二连通子图比对应的第一连通子图少一条潜在边，如所述第二连通子图增加所述潜在边则与对应的第一连通子图是同构的；

预测边筛选模块3，用于将所述潜在边作为预测边，或者，根据所述潜在边的统计信息从所述潜在边中筛选预测边。

在一些实施例中，所述预测边筛选模块3具体用于：

对同一第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

在一些实施例中，所述预测边筛选模块3具体用于：将重复出现次数大于第一设定阈值的潜在边作为预测边。

在一些实施例中，还包括搜索范围确定模块1，用于：从所述知识图谱筛选第一连通子图，其中，筛选出的第一连通子图至少具有一种网络模式，同一网络模式的各第一连通子图彼此是同构的。

在一些实施例中，所述搜索范围确定模块1具体用于：确定网络模式；

按照确定出的络模式从所述知识图谱中筛选第一连通子图。

在一些实施例中，所述第一连通子图的网络模式是随机生成的或预设的。

在一些实施例中，所述搜索范围确定模块1还具体用于：

从所述知识图谱的节点集合中确定出第一节点子集；

剔除包含所述第一节点子集的补集中节点的第一连通子图。

在一些实施例中，所述预测边筛选模块3具体用于：对同一网络模式的全部第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

在一些实施例中，根据计数结果筛选预测边包括：将重复出现次数大于第二设定阈值的潜在边作为预测边。

在一些实施例中，所述网络模式的模式种类为多种，所述预测边筛选模块3具体用于：

对全部网络模式的全部第一连通子图所对应的第二连通子图的潜在边进行计数，根据计数结果筛选预测边。

在一些实施例中，根据计数结果筛选预测边包括：将重复出现次数大于第三设定阈值的潜在边作为预测边。

在一些实施例中，所述知识图谱中的节点均为相同类型的节点。

在一些实施例中，所述第一连通子图中任意两个节点之间均有一条边。

在一些实施例中，所述第一连通子图包括多种类型的节点。

在一些实施例中，所述第一连通子图中的节点呈环状。

在一些实施例中，所述第一连通子图包括环和支链。

需要说明的是，本申请实施例中的推理装置可以实现前述方法的实施例的各个过程，并达到相同的效果和功能，这里不再赘述。

图6为根据本申请一实施例的基于知识图谱的推理装置，用于执行图1所示出的推理方法，该推理装置包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行：前述的基于知识图谱的推理方法。

根据本申请的一些实施例，提供了非易失性计算机存储介质，其上存储有计算机可执行指令，该计算机可执行指令设置为在由处理器运行时执行：前述的基于知识图谱的推理方法。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以其描述进行了简化，相关之处可参见方法实施例的部分说明即可。

本申请实施例提供的装置和计算机可读存储介质与方法是一一对应的，因此，装置和计算机可读存储介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述装置和计算机可读存储介质的有益技术效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

虽然已经参考若干具体实施方式描述了本申请的精神和原理，但是应该理解，本申请并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本申请旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。